**视觉语言模型在 3D 推理中的失败点：BedBench 基准揭示精确计数与一致性缺失**

_Where Do Vision Language Models Fail at 3D Reasoning?_

> 研究通过 BedBench 基准测试发现，尽管视觉语言模型能做出正确的个体判断，但在恢复并一致使用 3D 物体的精确属性（如按颜色计数）时存在严重缺陷。实验显示，人类在按颜色计数任务中准确率达 93.3%，而最佳模型仅为 7.2%。微调虽能提升准确率，但模型仍无法保证答案与自身计数的一致性。研究进一步指出，仅依靠推理、扩展或视觉提示无法解决这一根本问题，并建议未来评估应关注精确性、一致性及对图像的依赖性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-11-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.39639)